[论文解读] Deep Learning-based Single-Shot Composite Fringe Projection Profilometry with Pixel-Wise Uncertainty Quantification

Kong X-L, Qingkang Bao+3 more|arXiv (Cornell University)|Jan 5, 2026

Optical measurement and interference techniques被引用 0

一句话总结

论文提出 HSURE-CFPP，一种异方差快照集合网络，通过单张复合条纹重建绝对相位，并提供像素级不确定性映射以用于可靠性评估。

ABSTRACT

Driven by the growing demand for high-speed 3D measurement in advanced manufacturing, optical metrology algorithms must deliver high accuracy and robustness under dynamic conditions. Fringe projection profilometry (FPP) offers high precision, yet the 2pi ambiguity of the wrapped phase means that conventional absolute phase recovery typically relies on multiple coded patterns, sacrificing temporal resolution. Deep learning-based composite FPP (CFPP) shows promise for single-shot phase recovery from a composite fringe, but limited interpretability makes it difficult to assess reconstruction reliability or trace error sources in the absence of ground truth. To address this, we propose HSURE-CFPP (Heteroscedastic Snapshot-ensemble Uncertainty-aware Ratio Estimation for CFPP). HSURE-CFPP predicts the numerator-denominator ratio used for wrapped-phase computation with a heteroscedastic snapshot-ensemble network, enabling ultra-fast 3D imaging from a single composite fringe and producing pixel-wise uncertainty maps for confidence assessment and unreliable-region identification. Specifically, a heteroscedastic likelihood jointly estimates pixel-wise noise variance to capture data uncertainty, while a snapshot ensemble quantifies model uncertainty via dispersion across snapshots, yielding total predictive uncertainty as an interpretable reliability measure. Experiments on static and dynamic scenes demonstrate that HSURE-CFPP achieves high-accuracy reconstruction at high speed and that the predicted uncertainty correlates well with reconstruction errors, providing a deployable quality-assessment mechanism for deep-learning-based FPP.

研究动机与目标

• 在动态条件下以高精度实现实时3D测量的动机。
• 为基于深度学习的条纹投影轮廓测量（FPP）提供不确定性量化。
• 实现从复合条纹模式可靠地单拍获得绝对相位。
• 开发一种快速、可解释的方法，便于在缺乏地真数据的众多实际场景中部署。

提出的方法

• 将分层频率复合条纹（HFCF）投影以在同一帧中编码多条相位线索。
• 使用 HSU-Net，带有异方差回归头的 U-Net 主干来预测包裹相位分量（N、D）的逐像素均值与对数方差。
• 对多次训练轮次应用快照集合以在没有贝叶斯权重后验的情况下量化模型不确定性。
• 通过 atan2(N, D) 在多种调制频率下计算包裹相位，并执行三频时相位展开（TPU）。
• 通过一阶误差传播将像素级数据不确定性与模型不确定性传播，获得逐像素相位不确定性映射。
• 采用混合损失，结合均值的均方误差（MSE）与不确定性的异方差负对数似然（NLL），以校准方差。
• 设计 HFCF 中的频率以最小化谱混叠并提升 TPU 的鲁棒性。

实验结果

研究问题

• RQ1 单张拍摄的复合条纹是否能够在 TPU 下实现准确的绝对相位恢复？
• RQ2 异方差快照集合网络是否能为 CFPP 输出提供可靠的像素级不确定性映射？
• RQ3 在静态与动态场景中，所提出的 HSURE-CFPP 框架在输出可解释的可靠性指标的同时，其性能如何？
• RQ4 精心设计的分层频率对光谱泄漏与重建稳定性有何影响？
• RQ5 在没有地真3D数据的情况下，不确定性输出是否对质量评估有用？

主要发现

• HSURE-CFPP 能从单张复合条纹实现快速且高精度的3D重建。
• 像素级不确定性映射与重建误差相关，可在无需地真值的情况下进行可靠性评估。
• 快照集合结合异方差建模提供了逐像素的可解释总不确定性。
• HFCF 设计降低了谱混叠并支持鲁棒的 TPU 用于绝对相位恢复。
• 将不确定性传播到相位域可得到适用于重建加权的相位域置信映射。